基于內容單元的網頁解析與內容提取.pdf_第1頁
已閱讀1頁,還剩74頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯網技術的發(fā)展,在線中文網頁的數量迅速增加,互聯網上的信息量越來越大。搜索引擎能夠有效地組織和分析海量的信息資源,幫助用戶迅速地獲取所需要的知識和信息。然而互聯網上的網頁普遍存在著一些與用戶需求無關的噪聲內容,這些內容影響了搜索引擎對網頁的處理質量。因此,對全部網頁的預處理工作就必不可少。
  本文的目的在于通過網頁預處理技術,為搜索引擎建立一個內容精煉、格式完整、編碼統(tǒng)一的凈化網頁庫,為其他模塊提供數據支持。
  網

2、頁處理技術經過多年的發(fā)展,逐漸形成了DOM結點解析與分塊解析兩種思路。然而由于對網頁分劃粒度的不當,前者容易割裂結點之間的語義關聯,后者很難過濾分塊內部的內容。為了彌補他們的缺陷,本文找到了一種介于二者之間的網頁解析粒度,稱為內容單元,并在內容單元粒度上完成了網頁預處理工作。本文的研究內容主要包括以下幾個方面:
  (1)提出網頁內容單元的定義,并以內容單元為粒度完成網頁分割解析;
  (2)利用內容單元反映出來的網頁結構特

3、征和語言特征,完成主題型網頁的識別;根據內容單元的組成、結構和功能,利用啟發(fā)式規(guī)則對其進行取舍,完成網頁正文內容的提?。蛔R別具有特定功能的內容單元,提取他們當中蘊含的網頁題目、時間、導航等信息;
  (3)在單個網頁的基礎上構造并行凈化程序,完成搜索引擎T級(terabyte)原始數據的凈化,重組格式,統(tǒng)一編碼。
  從實驗中得到的結論證明了網頁內容單元解析粒度的有效性,對比顯示了基于內容單元的網頁預處理對主題型網頁識別和正

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論